Co oznacza Rotacja nieortogonalna (ukośna)?
Zastosowanie, warunki i dobre praktyki
Najważniejsze zastosowanie: Zastosuj rotację ukośną, gdy z teorii i danych wynika, że czynniki mogą korelować; interpretuj wtedy macierz wzorca, strukturę i korelacje czynników.
Rotacja ukośna pozwala czynnikom korelować, co zwykle lepiej odpowiada konstrukcjom psychologicznym i społecznym. Raportuj metodę rotacji, macierz modelową, macierz struktury i korelacje czynników; ocenianie tylko jednego zestawu ładunków może prowadzić do błędnego przypisania pozycji.
Jak poprawnie stosować i interpretować hasło „Rotacja nieortogonalna (ukośna)”?
Przy ocenie pojęcia „Rotacja nieortogonalna (ukośna)” trzeba odróżnić redukcję danych od modelowania wspólnych przyczyn odpowiedzi. Dla interpretacji hasła „Rotacja nieortogonalna (ukośna)” następnie ustala się skalę wskaźników, macierz poddaną analizie, metodę ekstrakcji, sposób wyboru liczby wymiarów i rotację. W odniesieniu do hasła „Rotacja nieortogonalna (ukośna)” interpretacja powinna wynikać z całego wzorca ładunków oraz treści pozycji, a nie tylko z najwyższej liczby w każdym wierszu.
Ocena pojęcia „Rotacja nieortogonalna (ukośna)” obejmuje stabilność rozwiązania, ładunki krzyżowe, wspólności, korelacje czynników i zgodność z przewidywaną strukturą. Przy ocenie hasła „Rotacja nieortogonalna (ukośna)” reguła Kaisera lub sam wykres osypiska rzadko wystarczają; lepiej połączyć analizę równoległą, teorię i sprawdzenie modeli alternatywnych. W analizie dotyczącej hasła „Rotacja nieortogonalna (ukośna)” usuwanie pozycji powinno zachowywać zakres treści konstruktu.
Co trzeba opisać w raporcie?
W opisie „Rotacja nieortogonalna (ukośna)” należy podać rodzaj analizy, macierz wejściową, ekstrakcję, rotację, kryterium liczby wymiarów i liczebność próby. Dla interpretacji hasła „Rotacja nieortogonalna (ukośna)” tabela powinna zawierać właściwe ładunki, informację o ładunkach krzyżowych i wspólnościach, a tekst — uzasadnienie nazw czynników oraz każdej zmiany modelu.
Zakres raportowania dla hasła „Rotacja nieortogonalna (ukośna)”: Nazwij konkretną rotację ukośną, przedstaw macierz wzorca i struktury oraz podaj korelacje czynników wraz z uzasadnieniem dopuszczenia ich zależności.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Po rotacji oblimin dwa czynniki korelowały r = .43. Macierz wzorca pokazywała unikatowe ładunki, a macierz struktury proste korelacje pozycji z czynnikami.
Jak ją zinterpretować: Rozwiązanie dopuszcza korelację czynników, więc macierz wzorca pokazuje wkłady unikatowe, a struktury — korelacje proste. Obie macierze i korelacje czynników są potrzebne do poprawnego przypisania pozycji.
Najczęstsza pułapka i granica interpretacji
Nie interpretuj macierzy wzorca i struktury zamiennie oraz zawsze pokaż korelacje między uzyskanymi czynnikami.
Rozwiązanie uzyskane dla „Rotacja nieortogonalna (ukośna)” jest zależne od próby, zestawu pozycji i decyzji analitycznych. Przy ocenie hasła „Rotacja nieortogonalna (ukośna)” nadanie czynnikowi nazwy nie dowodzi jego trafności ani nie zastępuje replikacji struktury.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Fabrigar et al., 1999).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikAlfa Cronbacha: jak oceniać rzetelność skali bez uproszczeń
Alfa Cronbacha krok po kroku: wzór, założenia, interpretacja, ograniczenia i sytuacje, w których lepiej raportować współczynnik omega.
Czytaj →PoradnikRegresja logistyczna: założenia, interpretacja i raportowanie modelu
Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
- Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205. https://doi.org/10.1177/1094428104263675
- McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
- Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046
- Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Cytowania BibTeX
@article{fabrigar1999efa, author={Fabrigar, Leandre R. and Wegener, Duane T. and MacCallum, Robert C. and Strahan, Erin J.}, title={Evaluating the use of exploratory factor analysis in psychological research}, journal={Psychological Methods}, year={1999}, volume={4}, number={3}, pages={272--299}, doi={10.1037/1082-989X.4.3.272}}@article{hayton2004parallel, author={Hayton, James C. and Allen, David G. and Scarpello, Vida}, title={Factor retention decisions in exploratory factor analysis: a tutorial on parallel analysis}, journal={Organizational Research Methods}, year={2004}, volume={7}, number={2}, pages={191--205}, doi={10.1177/1094428104263675}}@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}@article{jolliffe2016pca, author={Jolliffe, Ian T. and Cadima, Jorge}, title={Principal Component Analysis: A Review and Recent Developments}, journal={Philosophical Transactions of the Royal Society A}, year={2016}, volume={374}, number={2065}, pages={20150202}, doi={10.1098/rsta.2015.0202}}@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}